Python 在编写网络爬虫常常用到的一些库。

Python爬虫网络库主要包括：urllib、requests、lxml、fake-useragent、bs4(BeautifulSoup)、grab、pycurl、urllib3、httplib2、RoboBrowser 、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq、aiohttp等。

请求库：实现 HTTP 请求操作

• urllib：一系列用于操作URL的功能。
• requests：基于 urllib 编写的，阻塞式 HTTP 请求库，发出一个请求，一直等待服务器响应后，程序才能进行下一步处理。
• selenium：自动化测试工具。一个调用浏览器的 driver，通过这个库你可以直接调用浏览器完成某些操作，比如输入验证码。
• aiohttp：基于 asyncio 实现的 HTTP 框架。异步操作借助于 async/await 关键字，使用异步库进行数据抓取，可以大大提高效率。

解析库：从网页中提取信息

• beautifulsoup：html 和 XML 的解析,从网页中提取信息，同时拥有强大的API和多样解析方式。
• pyquery：jQuery 的 Python 实现，能够以 jQuery 的语法来操作解析 HTML 文档，易用性和解析速度都很好。
• lxml：支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高。
• tesserocr：一个 OCR 库，在遇到验证码（图形验证码为主）的时候，可直接用 OCR 进行识别。

存储库：Python 与数据库交互

爬虫框架

• Scrapy：很强大的爬虫框架，可以满足简单的页面爬取（比如可以明确获知url pattern的情况）。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面，如 weibo 的页面信息，这个框架就满足不了需求了。
• Crawley：高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为 JSON、XML 等。
• Portia：可视化爬取网页内容。
• newspaper：提取新闻、文章以及内容分析。
• python-goose：java 写的文章提取工具。
• cola：一个分布式爬虫框架。项目整体设计有点糟，模块间耦合度较高。

Web 框架库

• flask：轻量级的 web 服务程序，简单，易用，灵活，主要来做一些 API 服务。做代理时可能会用到。
• django：一个 web 服务器框架，提供了一个完整的后台管理，引擎、接口等，使用它可做一个完整网站。

Re库的基本使用

Re库介绍：

• Re库是Python的标准库，主要用于字符串匹配。
• 调用方式：import re

正则表达式的表示类型：

raw string类型（原生字符串类型）：

• re库采用raw string类型表示正则表达式，表示为：r’text’
• 例如：r’[1-9]d{5}’
• raw string是指不包含转义符的字符串
• string类型，更繁琐。
• 例如：‘[1-9]d{5}’；‘d{3}-d{8}|d{4}-d{7}’

当正则表达式包含转义符时，建议使用raw string类型来表示正则表达式。

Re库主要功能函数：

函数

• 说明 re.search()
• 在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象 re.match()
• 从一个字符串的开始位置起匹配正则表达式，返回match对象 re.findall()
• 搜索字符串，以列表类型返回全部能匹配的字符串 re.split()
• 将一个字符串按照正则表达式匹配结果进行分割，返回列表类型 re.finditer()
• 搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象 re.sub()
• 在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串
  re.compile() 返回的是一个匹配对象，它单独使用就没有任何意义，需要和findall(), search(), match(）搭配使用。

学习资源推荐

零基础Python学习资源介绍

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

资料领取